レコメンドロジック評価
ECサイト(インターネットショッピング)やダイレクトメールの発送において、お客様(ユーザ)の年代や性別などの属性や購買・閲覧履歴に応じて、ユーザに適したオススメ商品やサービスをレコメンドすることは購買意欲や顧客満足の向上のために非常に重要です。弊社では単なるレコメンドサービスのパッケージの提供ではなく、状況やテーマに応じた独自ロジックの構築⇒システム開発⇒ユーザビリティ評価までを、トータルソリューションとして提供しています。
適用できる分野、問題状況
・Webサイト改善:お客様に合わせた適切な商品・コンテンツ・広告などをお勧めできているか。
適用フローの一例
1.お客様を知る
データを利用して多変量解析やネットワーク分析などを行い、お客様一人一人について把握します。
2.お客様の嗜好を予測する
分析結果から、お客様の嗜好やライフスタイルを予測するモデルを検討いたします。
3.お客様に推薦する
お客様の趣味・嗜好、ライフスタイルなどに適した情報や商品を推薦するシステムを開発します。
4.お客様を満足させる
推薦結果について、実際の履歴情報などとの整合性を統計的指標で測定をおこなったり、実際のアンケート調査などでユーザの満足度を測定することでよりよいレコメンドサービスへ改善していきます。
アルゴリズム例
手法 データ ロジック メリット デメリット
ルールベース ナレッジ・マーケティングデータ 設定された独自のルールに基づきアイテムを推薦 運営者の意図が反映できる。 アイテム数が多いと設定に手間がかかる。ユーザの意図が反省されにくい。
コンテンツベース アイテムデータ 事前に用意したアイテム属性を分析・分類し、アイテム同士の関連性で推薦 運営者のアイテム属性を作成する段階で調整可能 意外性のある推薦がない。アイテム数が多いと管理コストが増加する。
協調フィルタリング ユーザデータ
(履歴)
事自動的にユーザの行動履歴を収集・計算し、類似したユーザの嗜好に合ったアイテムを推薦 自動で収集・計算・表示をするため、手間がかからない。意外性のある推薦ができる。 ユーザの行動履歴がある程度収集できないと表示できない
ハイブリッド
(ベイジアンネットワーク)
アイテムデータユーザデータ
(履歴)
アイテム属性・ユーザ行動履歴から購入までの行動モデルを作成し確率を計算したうえ推薦 統計学的に進化するため、目的に対して精度の高いレコメンドが期待できる アイテム数が多いと管理コストが増加。膨大なデータ処理がかかる